免费论文：迁移学习及其在图像处理中的应用

在传统机器学习的框架下，学习的任务就是在给定训练数据的基础上通过学习得到一个模型，然后利用这个模型对测试数据进行预测。然而，由于一些新出现的领域中很难得到大量的训练数据，因此难以达到传统机器学习框架对训练数据的数量和与测试数据同分布假设的要求。为了解决这种问题，近年来“迁移学习”的概念被引入了机器学习领域，迁移学习的目标就是在训练数据集很小的情况下利用其它相关领域的数据来辅助学习过程，从而实现将一个学习过程中的知识迁移到另一个学习过程中的目的。 本文考察了已有的迁移学习方法，对迁移学习在图像分类中的应用进行了研究和实验验证，在目标分类的数据集合上复现了一种前沿的迁移学习算法，设计实验对算法的特点和参数设置进行了分析并对该方法的不足之处提出了改进的设想，随后设计实验对改进的想法进行了验证。在这些工作的基础上本文提出了一种基于稀疏表示的跨类别迁移学习方法(SparseTL)，该方法不同于传统的迁移学习方法，在更细致的‘子原子’的层面上对辅助数据的知识向目标分类进行迁移，同时该方法不仅利用了与目标类别相关性较大的数据，同时也对与目标类别相关性很小的数据加以利用，提高了对辅助数据的利用程度。实验结果表明该方法可以给出与前沿的迁移学习方法同样好的结果，同时理论分析和实验结果都说明该方法比前沿的迁移学习方法的计算复杂度更低，计算用时更短。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/261465.html